要約
背景糖尿病性足潰瘍（DFU）に関するプロスペクティブなデータがないため、DFUリスク層別化のための足底サーモグラフィの有効性を確立するために、原因となる危険因子（末梢神経障害、末梢動脈疾患（PAD））との横断的関連付けを行うことが考えられる。 方法まず、教師なし深層学習フレームワークを用いて、足底サーモグラフィ画像の固有クラスターと複数のDFUリスク因子との関連を調べた。次に、得られたサーモグラフィクラスターとDFUリスク因子との関連を検討した。次に、予測力を持つ関連性を特定するために、教師あり学習を使用して、サーモグラフィ（および視覚）入力に基づいてリスク因子を予測する畳み込みニューラルネットワーク（CNN）回帰/分類モデルを訓練した。 結果我々のデータセットは、2型糖尿病患者（年齢56.31 +- 9.18歳、男性51.42 %）のサーモグラフ282枚から構成された。クラスタリングでは、2つの重複するクラスタを発見した（シルエットスコア=0.10、弱い分離を示す）。割り当てられたクラスターと、末梢神経障害、PAD、糖尿病合併症の数、Martins-Mendes、PODUS-2020、SIGNなどの複合DFUリスク予測スコアなど、糖尿病性足潰瘍に関連するいくつかの因子との間には、強い関連性が認められた。しかし、当該危険因子を予測するモデルの成績は不良であった。 解釈内在性サーモグラフィクラスターといくつかのDFUリスク因子との間に強い関連が見られたことから、DFUリスクの評価にサーモグラフィを用いることの妥当性が支持された。しかし、得られた関連は予測的なものではなかった。これは、スペクトラムバイアス、あるいはサーモグラフィと古典的な危険因子がDFUリスク構成要素の不完全な重複部分を特徴づけているためと考えられる。我々の知見は、新規のデジタルバイオマーカーを定義する際に、真実を標準化することの難しさを浮き彫りにした。
要約(オリジナル)
Background: In the absence of prospective data on diabetic foot ulcers (DFU), cross-sectional associations with causal risk factors (peripheral neuropathy, and peripheral arterial disease (PAD)) could be used to establish the validity of plantar thermography for DFU risk stratification. Methods: First, we investigated the associations between the intrinsic clusters of plantar thermographic images with several DFU risk factors using an unsupervised deep-learning framework. We then studied associations between obtained thermography clusters and DFU risk factors. Second, to identify those associations with predictive power, we used supervised learning to train Convolutional Neural Network (CNN) regression/classification models that predicted the risk factor based on the thermograph (and visual) input. Findings: Our dataset comprised 282 thermographs from type 2 diabetes mellitus patients (aged 56.31 +- 9.18 years, 51.42 % males). On clustering, we found two overlapping clusters (silhouette score = 0.10, indicating weak separation). There was strong evidence for associations between assigned clusters and several factors related to diabetic foot ulceration such as peripheral neuropathy, PAD, number of diabetes complications, and composite DFU risk prediction scores such as Martins-Mendes, PODUS-2020, and SIGN. However, models predicting said risk factors had poor performances. Interpretation: The strong associations between intrinsic thermography clusters and several DFU risk factors support the validity of using thermography for characterising DFU risk. However, obtained associations did not prove to be predictive, likely due to, spectrum bias, or because thermography and classical risk factors characterise incompletely overlapping portions of the DFU risk construct. Our findings highlight the challenges in standardising ground truths when defining novel digital biomarkers.
arxiv情報
| 著者 | Akshay Jagadeesh,Chanchanok Aramrat,Aqsha Nur,Poppy Mallinson,Sanjay Kinra |
| 発行日 | 2024-07-05 17:39:03+00:00 |
| arxivサイト | arxiv_id(pdf) |